公路交通运输是当今经济社会发展建设的主要组成部分,公路及时养护对保障行车安全、延长公路使用寿命非常重要。路面病害检测是公路养护的关键环节,只有及时全面发现路面病害的位置、种类以及损坏程度,才能够针对性地修补养护,排除安全隐患。我国路面病害自动检测技术起步较晚,且推广程度低,大部分仍依赖人工巡逻检测,耗时长,效率低,不能有效保障工作人员的安全。针对这些问题,本文以高速公路为研究对象,设计了一种基于深度学习的路面病害检测系统,主要研究工作如下:（1）对路面病害进行了深入的研究分析。根据相关资料和实地考察对公路路面上的病害种类、病害定义以及评价标准进行了划分,并对路面病害的图像进行了特征分析,得出路面病害的图像具有图像噪声多,背景单一且不均匀,特征点稀少,不易拼接等特点,根据上述特点对路面病害检测系统整体流程进行了设计。（2）对图像采集以及图像拼接模块进行研究。针对路面病害图像特征点难以提取,不易拼接的问题,设计了多摄像头的硬件结构,采集路面信息的同时使用同型号的工业相机同步采集路侧信息作为参考,通过特征点明显的路侧图像进行特征提取计算透视矩阵,应用到路面图像的拼接中;采用相位相关法计算采集到图像之间的重合度,然后对采集的图像做采样处理,减少算法的时间复杂度。（3）制作图像数据集及标定。采集1467张带有路面病害的图片作为数据集,使用最小外接矩阵标注路面病害的类别及具体位置,其中训练集881张,验证集为295张,测试集为291张。分别用于网络训练、模型拟合、网络评价和测试。（4）基于Faster R-RCNN的路面病害检测以及定位。搭建Faster R-RCNN网络,实现图像中路面病害种类的识别及定位。对神经网络卷积模块进行优化,通过对图像周围像素进行拟合填充并卷积操作,实现对网络训练的loss和正确率的计算。实验证明,优化后的卷积操作能够提高目标检测结果的精准度。（5）路面病害的空间定位。路侧路桩信息作为图像编号的重要组成部分,用于路面病害空间定位校准与消除累计误差,将工业相机进行标定后,计算像素当量,衡量路面病害在拼接后图像中的实际位置,实现路面病害的空间定位。